Deteksi dini kanker paru-paru melalui analisis citra medis CT scan sangat penting untuk meningkatkan angka kesembuhan pasien. Penelitian ini membandingkan efektivitas dua arsitektur Convolutional Neural Network (CNN), yaitu VGG-16 dan DenseNet-169, dalam mengklasifikasikan gambar CT scan paru-paru ke dalam tiga kelas: Normal, Malignant, dan Benign. Mengingat keterbatasan jumlah data medis, penelitian ini juga mengevaluasi pengaruh teknik augmentasi data dalam meningkatkan performa model. Data yang digunakan kemudian dibagi menjadi data pelatihan dan pengujian, dan model dilatih menggunakan transfer learning dengan bobot pretrained dari ImageNet. Hasil evaluasi menunjukkan bahwa DenseNet-169 mencapai akurasi total sebesar 83,1% dengan performa terbaik pada kelas Malignant, sementara VGG-16 memperoleh akurasi total sebesar 80,7% dengan performa yang lebih seimbang pada kelas Benign. Meskipun demikian, keterbatasan data pada kelas minoritas masih menjadi kendala utama yang mempengaruhi hasil klasifikasi. Penelitian ini juga menyoroti tantangan komputasi dalam mengimplementasikan model CNN di fasilitas kesehatan dengan sumber daya terbatas dan mengusulkan solusi optimasi model untuk penggunaan praktis. Temuan ini memberikan kontribusi dalam pengembangan sistem deteksi kanker paru-paru berbasis AI yang efektif dan efisien.

Early detection of lung cancer through the analysis of CT scan medical images is crucial for improving patient recovery rates. This study compares the effectiveness of two Convolutional Neural Network (CNN) architectures, namely VGG-16 and DenseNet-169, in classifying lung CT scan images into three categories: Normal, Malignant, and Benign. Considering the limited amount of medical image data, this research also evaluates the impact of data augmentation techniques on improving model performance. The dataset was split into training and testing sets, and the models were trained using transfer learning with pretrained weights from ImageNet. Evaluation results show that DenseNet-169 achieved an overall accuracy of 83.1% with the best performance on the Malignant class, while VGG-16 obtained an accuracy of 80.7% with more balanced performance across the Benign class. Nevertheless, the limited data in minority classes remains a primary challenge affecting classification results. This study also highlights computational challenges in deploying CNN models in healthcare facilities with limited resources and proposes model optimization solutions for practical implementation. The findings contribute to the development of effective and efficient AI-based lung cancer detection systems.